参加 ログイン

Xai Lex

メンバー加入日: 2022

ダイヤモンド リーグ

26215 ポイント
Machine Learning Operations (MLOps): Getting Started - 日本語版 のバッジ Machine Learning Operations (MLOps): Getting Started - 日本語版 Earned 4月 7, 2024 EDT
Recommendation Systems on Google Cloud のバッジ Recommendation Systems on Google Cloud Earned 4月 3, 2024 EDT
Natural Language Processing on Google Cloud のバッジ Natural Language Processing on Google Cloud Earned 3月 26, 2024 EDT
Computer Vision Fundamentals with Google Cloud のバッジ Computer Vision Fundamentals with Google Cloud Earned 3月 25, 2024 EDT
Production Machine Learning Systems - 日本語版 のバッジ Production Machine Learning Systems - 日本語版 Earned 3月 23, 2024 EDT
Machine Learning in the Enterprise - 日本語版 のバッジ Machine Learning in the Enterprise - 日本語版 Earned 3月 20, 2024 EDT
Feature Engineering - 日本語版 のバッジ Feature Engineering - 日本語版 Earned 3月 9, 2024 EST
TensorFlow on Google Cloud - 日本語版 のバッジ TensorFlow on Google Cloud - 日本語版 Earned 3月 5, 2024 EST
Launching into Machine Learning - 日本語版 のバッジ Launching into Machine Learning - 日本語版 Earned 2月 26, 2024 EST
Introduction to AI and Machine Learning on Google Cloud - 日本語版 のバッジ Introduction to AI and Machine Learning on Google Cloud - 日本語版 Earned 2月 18, 2024 EST
Implement Load Balancing on Compute Engine のバッジ Implement Load Balancing on Compute Engine Earned 7月 6, 2023 EDT
Reliable Google Cloud Infrastructure: Design and Process - 日本語版 のバッジ Reliable Google Cloud Infrastructure: Design and Process - 日本語版 Earned 7月 6, 2023 EDT
Developing a Google SRE Culture - 日本語版 のバッジ Developing a Google SRE Culture - 日本語版 Earned 7月 2, 2023 EDT
Google Cloud Fundamentals: Core Infrastructure - 日本語版 のバッジ Google Cloud Fundamentals: Core Infrastructure - 日本語版 Earned 6月 1, 2023 EDT
Perform Foundational Infrastructure Tasks in Google Cloud のバッジ Perform Foundational Infrastructure Tasks in Google Cloud Earned 5月 13, 2023 EDT
Google Cloud Essentials のバッジ Google Cloud Essentials Earned 2月 8, 2023 EST

このコースでは、Google Cloud 上で本番環境の ML システムをデプロイ、評価、モニタリング、運用するための MLOps ツールとベスト プラクティスについて説明します。MLOps は、本番環境 ML システムのデプロイ、テスト、モニタリング、自動化に重点を置いた規範です。機械学習エンジニアリングの担当者は、ツールを活用して、デプロイしたモデルの継続的な改善と評価を行います。また、データ サイエンティストと協力して、あるいは自らがデータ サイエンティストとして、最も効果的なモデルを迅速かつ正確にデプロイできるようモデルを開発します。

詳細

In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine. This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.

詳細

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

詳細

This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.

詳細

このコースでは、本番環境で高パフォーマンスな ML システムを構築するためのコンポーネントとベスト プラクティスについて学習します。また、ML システムを構築するうえで最も一般的な考慮事項を紹介します。これには、静的トレーニング、動的トレーニング、静的な推論、動的な推論、分散型 TensorFlow、TPU などが含まれます。このコースでは、優れた予測能力にとどまらない、優れた ML システムの特性を探索することに焦点を当てています。

詳細

このコースには、ML ワークフローに対する実践的なアプローチが含まれています。ML チームが直面しているいくつかの ML ビジネス要件とユースケースに関するケーススタディの方法を紹介します。ML チームは、データの管理とガバナンスに必要なツールを理解し、Dataflow と Dataprep の概要を提供することから前処理タスクに BigQuery を使用することまで、データの前処理に最適なアプローチを検討する必要があります。 チームには、2 つの具体的なユースケースに対して機械学習モデルを構築するための 3 つのオプションが提示されます。このコースでは、チームが目的を達成するために、AutoML、BigQuery ML、またはカスタム トレーニングを使用する理由を説明します。さらに、カスタム トレーニングについても深く掘り下げます。コード構造のトレーニング、ストレージ、大規模なデータセットの読み込みからトレーニング済みモデルのエクスポートまで、カスタム トレーニングの要件について説明します。 Docker の知識がほとんどなくてもコンテナ イメージを構築できる、カスタム トレーニングの機械学習モデルを構築します。 ケーススタディ チームは、Vertex Vizier を使用したハイパーパラメータの調整と、これを使用してモデルのパフォーマンスを改善する方法を検証します。モデル改善についての理解を深めるために、理論についても詳しく考察します。正則化、スパース性の扱いなど、数多くある重要なコンセプトと原則について説明します。最後に、予測とモデル モニタリングの概要と、ML モデルを管理するための Vertex AI の活用方法について説明します。

詳細

Vertex AI Feature Store について学びたいとお考えですか? ML モデルの精度を向上させる方法や、最も有効な特徴を抽出するためのデータ列の見極め方を知りたいとお考えですか？このコースでは、良い特徴と悪い特徴について説明し、それらをモデルで最大限に活用できるように前処理して変換する方法を解説します。また、BigQuery ML、Keras、TensorFlow を使用した特徴量エンジニアリングに関するコンテンツとラボも含まれています。

詳細

このコースでは、TensorFlow 2.x 入力データ パイプラインの設計と構築、TensorFlow 2.x と Keras を使用した ML モデルの構築、ML モデルの精度の改善、スケーリングに対応した ML モデルの作成、特殊な ML モデルの作成について説明します。

詳細

まず、データ品質を向上させる方法や探索的データ分析を実行する方法など、データについての議論から始めます。Vertex AI AutoML についてと、コードを 1 行も記述せずに ML モデルを構築、トレーニング、デプロイする方法を説明します。BigQuery ML のメリットを理解していただけます。その後、機械学習（ML）モデルを最適化する方法、一般化とサンプリングを活用してカスタム トレーニング向けの ML モデルの品質を評価する方法を説明します。

詳細

このコースでは、Google Cloud での人工知能（AI）および機械学習（ML）サービスについて紹介します。Google Cloud では、AI 基盤、AI 開発、AI ソリューションを通じてデータから AI へのライフサイクルをサポートします。データ サイエンティスト、AI 開発者、ML エンジニアなど、さまざまなユーザーの目標に基づいて、ML モデル、ML パイプライン、生成 AI プロジェクトを構築するために利用できるテクノロジー、プロダクト、ツールについて説明します。

詳細

Complete the introductory Implement Load Balancing on Compute Engine skill badge to demonstrate skills in the following: writing gcloud commands and using Cloud Shell, creating and deploying virtual machines in Compute Engine, and configuring network and HTTP load balancers. A skill badge is an exclusive digital badge issued by Google Cloud in recognition of your proficiency with Google Cloud products and services and tests your ability to apply your knowledge in an interactive hands-on environment. Complete this skill badge, and the final assessment challenge lab, to receive a skill badge that you can share with your network.

詳細

このコースでは、実績ある設計パターンを利用して、信頼性と効率に優れたソリューションを Google Cloud で構築する方法を学習します。本コースは、Architecting with Google Compute Engine または Architecting with Google Kubernetes Engine のコースの続きで、これらのコースで取り上げているテクノロジーの実践経験があることを前提としています。参加者は、講義、設計アクティビティ、ハンズオンラボを通して、ビジネス要件と技術要件を定義し、バランスを取りながら、信頼性、可用性、安全性、費用対効果に優れた Google Cloud のデプロイを設計する方法を学びます。

詳細

多くの IT 組織では、アジリティを求める開発者と、安定性を重視する運用担当者の間で、インセンティブが調整されていません。サイト信頼性エンジニアリング（SRE）は、Google が開発と運用の間のインセンティブを調整し、ミッション クリティカルな本番環境サポートを行う方法です。SRE の文化的および技術的手法を導入することで、ビジネスと IT の連携を改善できます。このコースでは、Google の SRE の主な手法を紹介し、SRE の組織的な導入を成功させるうえで IT リーダーとビジネス リーダーが果たす重要な役割について説明します。

詳細

Google Cloud Fundamentals: Core Infrastructure では、Google Cloud に関する重要なコンセプトと用語について説明します。このコースでは動画とハンズオンラボを通じて学習を進めていきます。Google Cloud の多数のコンピューティング サービスとストレージ サービス、そしてリソースとポリシーを管理するための重要なツールについて比較しながら説明します。

詳細

Getting Started - Create and Manage Cloud Resources よりレベルの高いハンズオンラボでの実践を求めている初心者のクラウド デベロッパーであるなら、このクエストをおすすめします。 Cloud Storage や、Stackdriver および Cloud Functions などの主要なアプリケーション サービスに関連するラボを通して、実践的な経験を積むことが可能です。 このクエストでは、すべての Google Cloud イニシアチブに応用できる有益なスキルを身に付けられます。このクエストおよびクエストの最後にあるチャレンジラボを完了すると、Google Cloud 限定デジタルバッジを獲得できます。主なコンセプトは 1 分間のビデオで説明されて います。

詳細

この入門レベルのクエストでは、Google Cloud の基本的なツールやサービスに関する実践演習を行います。「Google Cloud Essentials」は Qwiklabs で特に人気のあるクエストですが、それはクラウドの予備知識がほとんどなくても、あらゆる Google Cloud プロジェクトに応用できる実際的な経験を積めるからです。 「Google Cloud Essentials」では、Cloud Shell コマンドの記述、初めての仮想マシンのデプロイ、Kubernetes Engine 上でのアプリケーション実行と負荷分散など、Google Cloud の主な機能を紹介します。主なコンセプトは 1 分間のビデオで説明されています。

詳細